CN108309257A - 基于深度学习的脉诊方法、装置和计算机存储介质 - Google Patents
基于深度学习的脉诊方法、装置和计算机存储介质 Download PDFInfo
- Publication number
- CN108309257A CN108309257A CN201810274628.9A CN201810274628A CN108309257A CN 108309257 A CN108309257 A CN 108309257A CN 201810274628 A CN201810274628 A CN 201810274628A CN 108309257 A CN108309257 A CN 108309257A
- Authority
- CN
- China
- Prior art keywords
- pulse
- diagnosis
- feeling
- sample
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Alternative & Traditional Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于深度学习的脉诊方法,包括:获取待测人体腕部脉搏时长为预设时长的预设数量的生物电信号,并将所述生物电信号作为测试样本;将所述测试样本依次通过预存的深度神经网络,以得到所述测试样本对应的脉象诊断结果。本发明还公开了一种基于深度学习的脉诊装置和计算机存储介质,实现通过预存的深度神经网络对待测人体进行快速及准确的脉诊。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于深度学习的脉诊方法、装置和计算机存储介质。
背景技术
脉诊为中医学中的重要诊断方法,即通过按触人体脉搏,体察脉象变化,以判断疾病的病位、性质等。最常用的脉诊方法为分别取病人左右手的寸关尺三处脉象,共计六处脉象,判断其脉象。较通用的脉象分类为明朝李中梓《诊家正眼》中的二十八脉分类法,包括:浮、沉、尺、数等。
现如今,一般都是中医师用手号脉,此方法较依赖于中医师的临床经验,且需要一定的推理判断时间,如此脉诊效率比较低。同时易受主观判断的影响,例如:中医师的医术、中医师给病人号脉当天的身体状况等,导致脉诊的准确度一向饱受诟病。
发明内容
本发明的主要目的在于提供一种基于深度学习的脉诊方法、装置和计算机存储介质,旨在解决传统的中医师用手号脉,较依赖于其临床经验和其他主观判断,导致脉诊效率低且脉诊结果饱受诟病的技术问题。
为实现上述目的,本发明提供一种基于深度学习的脉诊方法,所述基于深度学习的脉诊方法包括步骤:
获取待测人体腕部脉搏时长为预设时长的预设数量的生物电信号,并将所述生物电信号作为测试样本;
将所述测试样本依次通过预存的深度神经网络,以得到所述测试样本对应的脉象诊断结果。
优选地,所述获取待测人体腕部脉搏时长为预设时长的预设数量的生物电信号,并将所述生物电信号作为测试样本的步骤之前还包括:
获取样本集;
以所述样本集为输入,对深度神经网络进行训练;
在训练完成时,保存所述深度神经网络。
优选地,在服务器上对深度神经网络进行训练,并在训练完成后,将保存的所述深度神经网络移植到本地设备保存,作为预存的深度神经网络。
优选地,所述获取样本集的步骤包括:
采用传感器收集人体腕部脉搏时长为预设时长的生物电信号,并将所述生物电信号作为样本;
采集预设数量的所述样本以获得样本集。
优选地,所述样本集中的样本有对应的样本标签,所述样本标签为所述样本对应的脉象。
优选地,所述将所述测试样本依次通过预存的深度神经网络,以得到所述测试样本对应的脉象诊断结果的步骤之后还包括:
在生成所述脉象诊断结果时,将所述脉象诊断结果及对应的人体部位转换成预设格式的文字,并将所述文字打印成脉象诊断报告书。
此外,为实现上述目的,本发明还提供一种基于深度学习的脉诊装置,所述基于深度学习的脉诊装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如以上所述的基于深度学习的脉诊方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机存储介质,所述计算机存储介质上存储有基于深度学习的脉诊程序,所述基于深度学习的脉诊程序被处理器执行时实现如以上所述的基于深度学习的脉诊方法的步骤。
本发明提出的基于深度学习的脉诊方法、装置和计算机存储介质,通过获取待测人体腕部脉搏时长为预设时长的预设数量的生物电信号,并将生物电信号作为测试样本,然后将测试样本依次通过预存的深度神经网络,以得到测试样本对应的脉象诊断结果。实现通过预存的深度神经网络对待测人体进行快速及准确的脉诊。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的终端结构示意图;
图2为本发明基于深度学习的脉诊方法第一实施例的流程示意图;
图3为本发明基于深度学习的脉诊方法第二实施例的流程示意图;
图4为本发明基于深度学习的脉诊方法第三实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:
获取待测人体腕部脉搏时长为预设时长的预设数量的生物电信号,并将所述生物电信号作为测试样本;
将所述测试样本依次通过预存的深度神经网络,以得到所述测试样本对应的脉象诊断结果。
由于现有技术中,一般都是中医师用手号脉,此方法较依赖于中医师的临床经验,且需要一定的推理判断时间,同时易受主观判断的影响,例如:中医师的医术、中医师给病人号脉当天的身体状况等,故导致脉诊的效率低且准确度饱受诟病。
本发明提供一种解决方案,通过获取待测人体腕部脉搏时长为预设时长的预设数量的生物电信号,并将生物电信号作为测试样本,然后将测试样本依次通过预存的深度神经网络,以得到测试样本对应的脉象诊断结果。实现通过预存的深度神经网络对待测人体进行快速及准确的脉诊。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端是可以分析处理传感器上传的离散信号的PC,此外,也可为笔记本电脑、iPad或其他具有数据处理能力且有显示屏的终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004、用户接口1003、存储器1005和通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于深度学习的脉诊程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的基于深度学习的脉诊程序,并执行以下操作:
获取待测人体腕部脉搏时长为预设时长的预设数量的生物电信号,并将所述生物电信号作为测试样本;
将所述测试样本依次通过预存的深度神经网络,以得到所述测试样本对应的脉象诊断结果。
进一步地,处理器1001可以调用存储器1005中存储的基于深度学习的脉诊程序,还执行以下操作:
获取样本集;
以所述样本集为输入,对深度神经网络进行训练;
在训练完成时,保存所述深度神经网络。
进一步地,处理器1001可以调用存储器1005中存储的基于深度学习的脉诊程序,还执行以下操作:
在服务器上对深度神经网络进行训练,并在训练完成后,将保存的所述深度神经网络移植到本地设备保存,作为预存的深度神经网络。
进一步地,处理器1001可以调用存储器1005中存储的基于深度学习的脉诊程序,还执行以下操作:
采用传感器收集人体腕部脉搏时长为预设时长的生物电信号,并将所述生物电信号作为样本;
采集预设数量的所述样本以获得样本集。
进一步地,处理器1001可以调用存储器1005中存储的基于深度学习的脉诊程序,还执行以下操作:
所述样本集中的样本有对应的样本标签,所述样本标签为所述样本对应的脉象。
进一步地,处理器1001可以调用存储器1005中存储的基于深度学习的脉诊程序,还执行以下操作:
在生成所述脉象诊断结果时,将所述脉象诊断结果及对应的人体部位转换成预设格式的文字,并将所述文字打印成脉象诊断报告书。
参照图2,图2为本发明基于深度学习的脉诊方法第一实施例的流程示意图;
本实施例提出一种基于深度学习的脉诊方法,该基于深度学习的脉诊方法包括步骤:
步骤S10,获取待测人体腕部脉搏时长为预设时长的预设数量的生物电信号,并将所述生物电信号作为测试样本;
本发明采用传感器收集待测人体腕部脉搏时长为预设时长的生物电信号,然后将此生物电信号经过A/D转换、降噪等处理步骤,获得长度固定的离散信号序列。在日常生活中,中医师给病人把脉时,最常用的脉诊方法为分别取病人左右手的寸关尺3处脉象,共计6处脉象,故此处所述的预设数量的优选值为6,在此对预设数量的取值不做限定,可根据具体脉诊情况进行调整。
以预设数量为6为例,具体实现方式为让待测病人在左右手的寸关尺部位分别佩戴上3个传感器,共6个传感器同时收集人体腕部脉搏时长为预设时长的生物电信号,获得6个预设时长的生物电信号,然后将此6个信号经过A/D转换、降噪等处理步骤,获得长度固定的6个离散信号序列,即为6个测试样本。此处的预设时长为程序预设,也可根据实际的最佳脉诊时长进行调整。
步骤S20,将所述测试样本依次通过预存的深度神经网络,以得到所述测试样本对应的脉象诊断结果。
较通用的脉象分类为明朝李中梓《诊家正眼》中的28脉分类法,故本发明中预存的深度神经网络中包括此28类脉象及对应的脉象诊断结果。在将获取的待测病人的测试样本依次通过预存的深度神经网络时,各个测试样本对应有输出,此输出为各个测试样本对应的脉象类别,再根据预设的28类脉象及对应的脉象诊断结果,确定各个测试样本对应的脉象诊断结果,以完成整个诊断过程。
本实施例提出的基于深度学习的脉诊方法,通过获取待测人体腕部脉搏时长为预设时长的预设数量的生物电信号,并将生物电信号作为测试样本,然后将测试样本依次通过预存的深度神经网络,以得到测试样本对应的脉象诊断结果。实现通过预存的深度神经网络对待测人体进行快速及准确的脉诊。
进一步地,参照图3,基于第一实施例提出本发明基于深度学习的脉诊方法第二实施例,在本实施例中,所述步骤S10之前还包括:
步骤S30,采用传感器收集人体腕部脉搏时长为预设时长的生物电信号,并将所述生物电信号作为样本;
采集样本的方法和原理与步骤S10获取测试样本相同,在此不再赘述。
步骤S40,采集预设数量的所述样本以获得样本集。
对于28类脉象的采集,假设现实生活中各类脉象都会出现,当然有的脉象出现频繁,有的脉象比较罕见,罕见的就比较难采集到。在采集样本时,考虑到各类脉象间的平衡,可限制各类脉象的样本数量都为同一预设数量,此预设数量的值一般是越大越好,也就是说训练数据集越大越好,实际情况中,此预设数量的值会受制于成本等因素从而不可能无限大,但若此预设数量的值过小,则会造成模型过拟合而不利于泛化,故此预设数量的值不宜过小并且从理论上而言是越大越好,具体可根据采样实际情况决定,在此不做限定。此外,在实际采样过程中,各类脉象的样本数量不一定都相同,只需确保各样本数量的值都是合理的值且不是太小,各类脉象的不同样本数量相差不是太悬殊即可。
此外,样本集中的样本都有对应的样本标签,该样本标签为样本对应的脉象。样本标签可采用如下方法获得:组织若干权威中医师对各个样本对应的人进行号脉,故各个样本有若干判断结果,取相同判断结果数量最多的为最终确定的诊断结果,由此确定各个样本对应的脉象,也就是各个样本对应的样本标签。28类脉象对应的28种标签可由28位数字的0、1正交编码表示,例如第1类标签为“1000000000000000000000000000”,第2类标签为“0100000000000000000000000000”,其他标签依此类推,第28类标签为“0000000000000000000000000001”。
步骤S50,以所述样本集为输入,对深度神经网络进行训练;
步骤S60,在训练完成时,保存所述深度神经网络。
在服务器上以获得的样本集为输入,对初始化的深度神经网络进行训练,在训练完成时,保存训练完成的深度神经网络,之后将该深度神经网络移植到本地设备保存,作为预存的深度神经网络,以应用到对待测病人进行实际脉诊操作当中。
对深度神经网络进行训练可理解如下:分别以样本集中的各个样本为输入,依次通过初始化的深度神经网络,即对深度神经网络进行训练,在训练过程中得到对应的实际输出,即样本对应的脉象类别。获取样本集中的各个样本对应的样本标签,并将这些样本标签作为预设输出,其中,所述样本标签为各个样本对应的标准脉象。在深度神经网络的训练过程中,获取样本集的实际输出与预设输出之间的误差。例如,有1个样本属于第1类标签,编码为“1000...0”,那么此样本的预设输出就是“1000...0”,并将此输出表示为y1。对深度神经网络进行训练时,得到此样本的实际输出表示为y1',对于此样本,网络的误差就是y1和y1'之间的距离,可以表示为dist(y1,y1')。同理,对于样本集中的其他样本,各个样本都有这么1个误差,这些误差的总和,就是深度神经网络对于当前样本集的误差。
深度神经网络训练的过程,是通过迭代优化方法,例如:梯度下降法,使深度神经网络自动调整其内部的参数,使得深度神经网络对于当前样本集的误差不断减小。在实际训练过程中,当误差减小到某个很小的值,并且在减小学习率后继续迭代优化时,此误差仍无明显下降趋势,则可认为训练已完成。此外,训练完成的深度神经网络模型需要在验证集上验证其准确性,以防止模型的过拟合。
进一步地,由于有的脉象出现频繁,有的脉象比较罕见,所以在对深度神经网络进行训练时,对各类脉象间进行权重分配处理以减少训练过程中误差的产生。
本实施例公开的技术方案中,通过对获得预存深度神经网络的方法的介绍可知,预存的深度神经网络是基于深度学习算法一步步优化所得,故基于深度学习的脉诊方法有科学理论依据可遵循,其脉诊结果是非常精准的。此外,本实施例公开的技术方案中,介绍了样本集的误差是各个样本的实际输出与预设输出之间的误差的总和,故从细节处可知,本发明中预存的深度神经网络的精准度是极高的,考虑到了各个样本的误差,从每个细微处避免误差的产生,使得脉诊结果更准确。
进一步地,参照图4,基于第一至第二实施例任一实施例提出本发明基于深度学习的脉诊方法第三实施例,在本实施例中,所述步骤S20之后还包括:
步骤S70,在生成所述脉象诊断结果时,将所述脉象诊断结果及对应的人体部位转换成预设格式的文字,并将所述文字打印成脉象诊断报告书。
本实施例公开的技术方案中,通过将电子版的文字打印成纸质脉象诊断报告书,方便待测病人随时获取脉诊结果,并可根据诊断报告书里脉象对应的详解信息自行了解情况,提高了脉诊效率,同时,待测病人可保留此脉象诊断报告书,便于后续面诊就医时提供给医生。
此外,本发明实施例还提出一种基于深度学习的脉诊装置,所述基于深度学习的脉诊装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上实施例所述的基于深度学习的脉诊方法的步骤。
此外,本发明实施例还提出一种计算机存储介质,所述计算机存储介质上存储有基于深度学习的脉诊程序,所述基于深度学习的脉诊程序被处理器执行时实现如上实施例所述的基于深度学习的脉诊方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,云端服务器,空调器,或者网络设备等)执行本发明各个实施例的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于深度学习的脉诊方法,其特征在于,所述基于深度学习的脉诊方法包括步骤:
获取待测人体腕部脉搏时长为预设时长的预设数量的生物电信号,并将所述生物电信号作为测试样本;
将所述测试样本依次通过预存的深度神经网络,以得到所述测试样本对应的脉象诊断结果。
2.如权利要求1所述的基于深度学习的脉诊方法,其特征在于,所述获取待测人体腕部脉搏时长为预设时长的预设数量的生物电信号,并将所述生物电信号作为测试样本的步骤之前还包括:
获取样本集;
以所述样本集为输入,对深度神经网络进行训练;
在训练完成时,保存所述深度神经网络。
3.如权利要求2所述的基于深度学习的脉诊方法,其特征在于,在服务器上对深度神经网络进行训练,并在训练完成后,将保存的所述深度神经网络移植到本地设备保存,作为预存的深度神经网络。
4.如权利要求2所述的基于深度学习的脉诊方法,其特征在于,所述获取样本集的步骤包括:
采用传感器收集人体腕部脉搏时长为预设时长的生物电信号,并将所述生物电信号作为样本;
采集预设数量的所述样本以获得样本集。
5.如权利要求2所述的基于深度学习的脉诊方法,其特征在于,所述样本集中的样本有对应的样本标签,所述样本标签为所述样本对应的脉象。
6.如权利要求1-5任一项所述的基于深度学习的脉诊方法,其特征在于,所述将所述测试样本依次通过预存的深度神经网络,以得到所述测试样本对应的脉象诊断结果的步骤之后还包括:
在生成所述脉象诊断结果时,将所述脉象诊断结果及对应的人体部位转换成预设格式的文字,并将所述文字打印成脉象诊断报告书。
7.一种基于深度学习的脉诊装置,其特征在于,所述基于深度学习的脉诊装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-6任一项所述的基于深度学习的脉诊方法的步骤。
8.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有基于深度学习的脉诊程序,所述基于深度学习的脉诊程序被所述处理器执行时实现如权利要求1-6任一项所述的基于深度学习的脉诊方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810274628.9A CN108309257A (zh) | 2018-03-29 | 2018-03-29 | 基于深度学习的脉诊方法、装置和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810274628.9A CN108309257A (zh) | 2018-03-29 | 2018-03-29 | 基于深度学习的脉诊方法、装置和计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108309257A true CN108309257A (zh) | 2018-07-24 |
Family
ID=62899976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810274628.9A Pending CN108309257A (zh) | 2018-03-29 | 2018-03-29 | 基于深度学习的脉诊方法、装置和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108309257A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109363632A (zh) * | 2018-09-26 | 2019-02-22 | 北京三医智慧科技有限公司 | 脉象数据的解读方法和脉象数据的解读装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130024875A (ko) * | 2012-12-27 | 2013-03-08 | 한국 한의학 연구원 | 피부 특성을 이용한 건강 상태 판단 장치 및 방법, 건강 분류 함수 생성 장치 및 그 방법 |
CN105407796A (zh) * | 2013-05-10 | 2016-03-16 | 富士通株式会社 | 诊断装置、诊断方法及程序 |
EP3170449A1 (en) * | 2015-11-20 | 2017-05-24 | Tata Consultancy Services Limited | Device and method to detect diabetes in a person using pulse palpation signal |
CN107242857A (zh) * | 2017-06-12 | 2017-10-13 | 南开大学 | 基于深度学习的智能中医综合诊疗系统 |
-
2018
- 2018-03-29 CN CN201810274628.9A patent/CN108309257A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130024875A (ko) * | 2012-12-27 | 2013-03-08 | 한국 한의학 연구원 | 피부 특성을 이용한 건강 상태 판단 장치 및 방법, 건강 분류 함수 생성 장치 및 그 방법 |
CN105407796A (zh) * | 2013-05-10 | 2016-03-16 | 富士通株式会社 | 诊断装置、诊断方法及程序 |
EP3170449A1 (en) * | 2015-11-20 | 2017-05-24 | Tata Consultancy Services Limited | Device and method to detect diabetes in a person using pulse palpation signal |
CN107242857A (zh) * | 2017-06-12 | 2017-10-13 | 南开大学 | 基于深度学习的智能中医综合诊疗系统 |
Non-Patent Citations (1)
Title |
---|
胡晓娟: "中医脉诊信号感知与计算机辅助识别研究", 《中国博士学位论文全文数据库医药卫生科技辑(月刊 )》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109363632A (zh) * | 2018-09-26 | 2019-02-22 | 北京三医智慧科技有限公司 | 脉象数据的解读方法和脉象数据的解读装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210029007A1 (en) | Systems and methods for response calibration | |
US11564612B2 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
WO2021036695A1 (zh) | 一种待标注图像确定的方法、模型训练的方法及装置 | |
KR20200005987A (ko) | 터치입력을 이용한 인지장애 진단 시스템 및 방법 | |
WO2022267678A1 (zh) | 视频问诊方法、装置、设备及存储介质 | |
CN111274425A (zh) | 医疗影像分类方法、装置、介质及电子设备 | |
WO2021151295A1 (zh) | 患者治疗方案的确定方法、装置、计算机设备及介质 | |
CN110367976B (zh) | 脑电波信号检测方法、相关设备和存储介质 | |
CA2884305A1 (en) | Systems and methods for response calibration | |
EP4068292A1 (en) | Medical information processing method, medical information acquisition method and medical information exchange method | |
CN110459306A (zh) | 医学影像显示方法和显示设备 | |
Chicaiza et al. | A brain-computer interface for controlling IoT devices using EEG signals | |
CN109147927B (zh) | 一种人机交互方法、装置、设备及介质 | |
CN108309257A (zh) | 基于深度学习的脉诊方法、装置和计算机存储介质 | |
Li et al. | A medical ai diagnosis platform based on vision transformer for coronavirus | |
CN113488166A (zh) | 糖尿病数据分析模型训练及数据管理方法、装置和设备 | |
CN113269849A (zh) | 重建磁共振的方法和设备 | |
CN112397195A (zh) | 用于生成体格检查模型的方法、装置、电子设备和介质 | |
CN113192625A (zh) | 一种基于深度学习的肺部疾病辅助诊断云平台 | |
CN114937488B (zh) | 脉搏数据处理方法、设备及存储介质 | |
US20190172583A1 (en) | Method and system to improve clinical workflow | |
US20240074740A1 (en) | Systems, methods, and computer program products for integrating menstrual cycle data and providing customized feminine wellness information | |
CN116501904B (zh) | 分布式存储方法、装置、设备及介质 | |
US20230368436A1 (en) | Systems and methods for computer vision-assisted colorimetric test reading | |
US20220406017A1 (en) | Health management system, and human body information display method and human body model generation method applied to same |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180724 |